Bilgisayar Mühendisliği

CE 477 | Ders Tanıtım Bilgileri

Dersin Adı

Data Science

Kodu	Yarıyıl	Teori (saat/hafta)	Uygulama/Lab (saat/hafta)	Yerel Kredi	AKTS
CE 477	FALL	3	0	3	5

Ön-Koşul(lar)	None
Dersin Dili	English
Dersin Türü	ELECTIVE_COURSE
Dersin Düzeyi	Lisans
Dersin Veriliş Şekli	Face-To-Face
Dersin Öğretim Yöntem ve Teknikleri	Group Work Problem Solving Lecture / Presentation
Ulusal Meslek Sınıflandırma Kodu	-
Dersin Koordinatörü	Dr. Öğr. Üyesi Alper Demir
Öğretim Eleman(lar)ı	Dr. Öğr. Üyesi Alper Demir
Yardımcı(ları)	-

Dersin Amacı

The course introduces the principles and methods of data science – learning from data for prediction and insight. The course covers the key data science topics including getting data, visualizing and exploring data, statistical analysis of data, and the data science’s use of machine learning. The course focuses on developing hands-on data skills by offering the students to complete a data science project.

Öğrenme Çıktıları

Bu dersi başarıyla tamamlayabilen öğrenciler;

Ad	Açıklama	PC Alt	* Katkı Düzeyi
Ad	Açıklama	PC Alt	1	2	3	4	5
LO1	define computer tools to obtain, clean, and analyze data,					X
LO2	apply statistical methods and visualization to explore data,					X
LO3	use statistical and computational methods to make predictions from data,					X
LO4	perform data analysis with machine learning methods,					X
LO5	use statistics and data visualization tools to communicate the outcome of data analyses.					X

Ders Tanımı

The following topics will be included: getting and cleaning data, exploring data, statistical models of data, statistical inference, main machine learning methods in data science including linear regression, SVM, k-nearest neighbors, Naïve Bayes, logistic regression, decision trees, random forests, clustering, and dimensionality reduction, over-fitting, cross-validation, feature engineering.

Dersin İlişkili Olduğu Sürdürülebilir Kalkınma Amaçları

Dersin Kategorisi	Temel Ders
	Uzmanlık/Alan Dersleri	X
	Destek Dersleri
	İletişim ve Yönetim Becerileri Dersleri
	Aktarılabilir Beceri Dersleri

HAFTALIK KONULAR VE İLGİLİ ÖN HAZIRLIK ÇALIŞMALARI

Hafta	Konular	Ön Hazırlık	Öğrenme Çıktısı
1	Introduction	Chapter 1	LO1
2	Input: Concepts, instances, attributes	Chapter 2	LO1
3	Output: Knowledge representation	Chapter 3	LO1
4	Data Visualization and Preprocessing	Chapter 7	LO2
5	Classification and Regression	Chapter 4	LO4
6	Time Series Analysis	Chapter 4	LO3
7	Association Mining	Chapter 4	LO4
8	Midterm Exam		-
9	Clustering	Chapter 4	LO4
10	Evaluation	Chapter 5	LO3
11	Ensemble Learning	Chapter 6	LO4
12	Data Science Extensions and Applications	Chapter 8	LO5
13	Data Science Extensions and Applications	Chapter 8	LO5
14	Data Science Extensions and Applications	Chapter 8	LO5
15	Review of the Semester		-
16	Final Exam		-

Ders Kitabı

I. E. Witten et al “Data Mining: Practical Machine Learning Tools and Techniques” Morgan Kaufmann 2016 ISBN 978-0128042915

Önerilen Okumalar/Materyaller

J. Grus “Data Science from Scratch: First Principles with Python” O’Reilly Media 2015 ISBN 9781491901427- 9781491904381 (Ebook)
T. Hastie R. Tibshirani J. Friedman “The Elements of Statistical Learning” Springer 2013 ISBN 9780387216065
S. Raschka “Python Machine Learning” Packt Publishing 2015 ISBN 9781783555147
R. D. Peng E. Matsui “The Art of Data Science” https://leanpub.com/artofdatascience
Han Jiawei Jian Pei and Hanghang Tong. Data mining: concepts and techniques. Morgan kaufmann 2022.

DEĞERLENDİRME ÖLÇÜTLERİ

Yarıyıl Aktiviteleri	Sayı	Katkı Payı %	LO1	LO2	LO3	LO4	LO5
Proje	1	30	X	X	X	X	X
Ara Sınav	1	30	X	X	X	X	X
Final Sınavı	1	40	X	X	X	X	X
Toplam	3	100

AKTS / İŞ YÜKÜ TABLOSU

Yarıyıl Aktiviteleri	Sayı	Süre (Saat)	İş Yükü
Katılım	-	-	-
Teorik Ders Saati	16	3	48
Laboratuvar / Uygulama Ders Saati	-	-	-
Sınıf Dışı Ders Çalışması	14	2	28
Arazi Çalışması	-	-	-
Küçük Sınav / Stüdyo Kritiği	-	-	-
Portfolyo	-	-	-
Ödev	-	-	-
Sunum / Jüri Önünde Sunum	-	-	-
Proje	1	24	24
Seminer/Çalıştay	-	-	-
Sözlü Sınav	-	-	-
Ara Sınavlar	1	25	25
Final Sınavı	1	25	25
		Toplam	150